Process development and scale-up of pluripotent stem cell manufacturing
Notice bibliographique
Résumé
<h3>Watch the video or read the poster to learn:</h3> <ul><li>Scalable stirred-tank reactor train for pluripotent stem cell expansion improves the scale and process of cell therapy manufacturing</li><li>High-density seed banks can help remove manual manipulation steps, shorten expansion time by 50%, and decouple subsequent suspension differentiation</li><li>The potential for process correlations of viable cell densities to remove sampling and reduce labor costs and contamination risk</li></ul><div class="authors authors-lg"><div class="author"><div class="author-img"><img src="https://bioinsights.blob.core.windows.net/uploads/Gary copy.png" data-image="1"></div><div class="author-det"> <b>Gary Pigeau</b> received his PhD in Biotechnology from Brock University in St. Catharines, Ontario. He completed a postdoctoral fellowship at the University of Alberta, with a visiting scientist appointment at the University of Oxford. Gary moved to private industry in 2008, where his research group focused on process development and scale-up of a proprietary bioprocess technology. He then moved to commercial, large-scale biomanufacturing in 2013. Gary joined Cytiva and the Centre for Advanced Therapeutic Cell Technologies (CATCT) at CCRM in 2016. He serves as Director of the collaborative facility in Toronto, with a focus on biology support for new product introductions, internal technology development projects, and contract process development services in cell and gene therapy. </div></div></div>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».